Разработка подсистемы вывода в диагностической экспертной системе

АННОТАЦИЯ

дипломной
работы

студента
541-й группы II курса
технического
факультета
ВКИ НГУ

Добрынина
Романа Валентиновича.

«Разработка
подсистемы
вывода в диагностической
экспертной
системе».

Тема
проекта – «Разработка
подсистемы
вывода в диагностической
экспертной
системе». Данная
дипломная
работа была
выполнена на
кафедре систем
информатики
в лаборатории
искусственного
интеллекта
Института
Систем Информатики
Сибирского
Отделения
Российской
Академии Наук.
(ИСИ СО РАН). Научный
руководитель
– Попов Иван
Геннадьевич.
Работа выполнялась
с 1 сентября
1998 года по 30 мая
1999 года. Тип работы
– инженерная;
является плановой
разработкой
института.

Задачей
дипломной
работы является
разработка
подсистемы
вывода и обработки
знаний в диагностической
экспертной
системе по
медицинской
диагностике.
Особенностью
создаваемой
системы является
возможность
ее работы с
нечеткими и
неточными
входными данными.
При этом подсистема
вывода будет
использовать
экспертные
знания, также
допускающие
элементы нечеткости
и неточности.

Аналогом
данной экспертной
системы послужила
известная в
свое время
экспертная
система «Di-Gen»,
обеспечивающая
медицинскую
диагностику
пациентов и
техническую
диагностику
доменных печей.

Данная
же система
аналогична
предыдущим
экспертным
системам типа
«Di-Gen»-а,
но более современная,
с эргономичным
многоуровневым
интерфейсом
и разработана
под операционную
систему Windows
95/98.

В рамках
поставленной
задачи работа
была выполнена.
В данный момент
программа
находится в
стадии комплексного
тестирования.
Результаты
предварительного
тестирования
выявили несколько
недостатков
и в данный момент
идет работа
по их устранению.

ОТЗЫВ

на
дипломную
работу

студента
II курса технического
факультета
ВКИ НГУ

Добрынина
Романа Валентиновича.

«Разработка
подсистемы
вывода в диагностической
экспертной
системе».

Данная
дипломная
работа проводилась
в рамках разработки
среды конструирования
диагностических
экспертных
систем, ориентированной
на задачи медицинской
диагностики.
Эта среда должна
обеспечивать
возможность
создания баз
знаний для
разных областей
медицинской
диагностики,
их просмотра
и редактирования,
и порождения
на их основе
специализированных
диагностических
систем. Одной
из основных
особенностей
среды является
возможность
обработки
неточной информации.
Порожденная
экспертная
система должна
обеспечивать
полный цикл
диагностики
пациента, определение
диагноза по
введенным
симптомам и
ведения истории
болезни. Экспертная
система должна
обладать удобным
пользовательским
интерфейсом
и справочной
системой.

Задачей
данной дипломной
работы являлась
разработка
подсистемы
вывода и обработки
знаний в диагностической
системе. Необходимо
было разработать
механизм логического
вывода, который
на основании
введенных
симптомов
определял
диагноз пациента.
Этот вывод
должен осуществляться
в условиях
неточной информации
о наблюдаемых
симптомах,
обеспечивать
интерактивный
диалог с пользователем
для их уточнения
и производить
ранжирование
различных
версий диагноза
для определения
наиболее вероятных.

В целом,
дипломник с
задачей справился.
Им были разработаны
структура для
представления
базы знаний
и модуль логического
вывода для
определения
диагноза в
условиях неточной
информации
о симптомах.
Для этого
использовался
механизм связанных
с симптомами
весов и определение
по ним вероятности
выводимого
диагноза. Для
уточнения
симптомов
предусмотрены
средства для
ведения диалога
с пользователем.

Однако,
следует отметить,
что не все свойства
симптомов,
которые были
бы полезны для
определения
диагноза, включаются
в базу знаний
и используются
на этапе логического
вывода, что в
результате
снижает точность
определения
диагноза. Следовало
внимательнее
изучить модели
представления
и обработки
знаний, используемые
в других системах
этого класса.

Учитывая
вышесказанное,
считаю, что
работа заслуживает
оценки "хорошо".

Научный
руководитель:

м.н.с.
РосНИИ ИИ /Попов
И.Г./

ГОСУДАРСТВЕННЫЙ
КОМИТЕТ РОССИЙСКОЙ
ФЕДЕРАЦИИ ПО
ВЫСШЕМУ ОБРАЗОВАНИЮ

НОВОСИБИРСКИЙ
ОРДЕНА ТРУДОВОГО
КРАСНОГО ЗНАМЕНИ

ГОСУДАРСТВЕННЫЙ
УНИВЕРСИТЕТ

ВЫСШИЙ
КОЛЛЕДЖ ИНФОРМАТИКИ

ТЕХНИЧЕСКИЙ
ФАКУЛЬТЕТ

КАФЕДРА
СИСТЕМ ИНФОРМАТИКИ

РАЗРАБОТКА
ПОДСИСТЕМЫ
ВЫВОДА В ДИАГНОСТИЧЕСКОЙ
ЭКСПЕРТНОЙ
СИСТЕМЕ

ДИПЛОМНЫЙ
ПРОЕКТ

Пояснительная
записка

Листов
23

Студент
Добрынин
Роман Валентинович

"
" _______ 1999г

Научный
руководитель
Попов
Иван Геннадьевич,

м.н.с.
ИСИ СО РАН
" " _______1999г

Новосибирск

СОДЕРЖАНИЕ

1999 2

ВВЕДЕНИЕ 2

ОПИСАНИЕ
ПРЕДМЕТНОЙ
ОБЛАСТИ 3

ЭКСПЕРТНЫЕ
СИСТЕМЫ, ИХ
НАЗНАЧЕНИЕ
И СТРУКТУРА 4

ЗАДАЧИ
ДИАГНОСТИКИ 4

ПРОЦЕСС
ПРИОБРЕТЕНИЯ
ЗНАНИЙ 5

МАШИНА
ВЫВОДА 6

ПОСТАНОВКА
ЗАДАЧИ 8

ФОРМУЛИРОВКА
В ПОЛЬЗОВАТЕЛЬСКИХ
ТЕРМИНАХ 8

ВХОДНЫЕ
ДАННЫЕ 9

ВЫХОДНЫЕ
ДАННЫЕ 9

СПЕЦИАЛЬНЫЕ
ТРЕБОВАНИЯ 10

МЕТОДЫ
И АЛГОРИТМЫ
РЕШЕНИЯ ЗАДАЧИ 10

МЕТОДЫ
И ОПРЕДЕЛЕНИЯ 10

СТРУКТУРЫ
ДАННЫХ 11

Структуры
данных данного
программного
средства – 4
таблицы формата
Paradox 7.0 (работу с
этими таблицами
обеспечивает
DBE и DBD, которые
как раз поставляются
в комплект с
Borland Delphi с целью
«безпроблемной»
работы с базами
данных практически
любого формата). 11

Таблица
клиентов 11

Таблица
симптомов 12

Таблица
соответствий 12

Таблица
весов 12

АЛГОРИТМ
РЕШЕНИЯ ЗАДАЧИ 12

СПЕЦИАЛЬНЫЙ
ИНСТРУМЕНТАРИЙ 15

СХЕМА
ФУНКЦИОНИРОВАНИЯ
ПРОГРАММНОГО
СРЕДСТВА 15

ОПИСАНИЕ
ПРОГРАММЫ 18

ОТЛАДКА
И ТЕСТИРОВАНИЕ
ПРОГРАММНОГО
СРЕДСТВА 19

РУКОВОДСТВО
ПО ЭУСПЛУАТАЦИИ
ПРОГРАММНОГО
СРЕДСТВА 20

8.1.
РУКОВОДСТВО
СИСТЕМНОГО
ПРОГРАММИСТА 20

ЗАКЛЮЧЕНИЕ 22

ЛИТЕРАТУРА 23

Тема проекта
– «Разработка
подсистемы
вывода в диагностической
экспертной
системе». Данная
дипломная
работа была
выполнена на
кафедре систем
информатики
в лаборатории
искусственного
интеллекта,
Института
Систем Информатики
Сибирского
Отделения
Российской
Академии Наук.
(ИСИ СО РАН). Научный
руководитель
– Попов Иван
Геннадьевич.
Работа выполнялась
с 1 сентября
1998 года по 30 мая
1999 года. Тип работы
– инженерная;
является плановой
разработкой
института.

Особенностью
данной дипломной
работы является
возможность
ее работы с
нечеткими и
неточными
входными данными.
При этом подсистема
вывода будет
использовать
экспертные
знания, также
допускающие
элементы нечеткости
и неточности.

Работа является
коллективной.
В мою часть
работы входит
создание машины
вывода диагностической
экспертной
системы.

Разработка
данного дипломного
проекта подразумевает
выполнение
следующих
работ:

Разработка
диагностической
экспертной
системы

Разработка
машины вывода
диагностической
экспертной
системы

Программная
реализация
машины вывода
диагностической
экспертной
системы

Создание
модуля для
обработки
входных данных,

как с клавиатуры,
так и из файлов
на диске.

Данная дипломная
работа разрабатывалась
в лаборатории
искусственного
интеллекта.
Рынок современных
диагностических
систем не сильно
«балует»
пользователей
новыми поступлениями
[1]. Поэтому
мы решили написать
программу,
аналогичную
уже имеющимся,
выпущенным
в 1990-1994 гг, но более
современную,
с эргономичным
многоуровневым
пользовательским
интерфейсом,
под Операционную
систему Windows 95/98.

Аналогом
данной экспертной
системы послужила
известная в
свое время
система Di-Gen,
обеспечивающая
медицинскую
диагностику
пациентов и
техническую
диагностику
доменных печей.

Данная работа
выполнялась
в среде Borland Delphi 4,
объектно-ориентированной
среде программирования.

По определению
Комитета по
Экспертным
Системам Британского
Компьютерного
Общества, под
экспертной
системой понимается
« воплощение
в ЭВМ компонента
опыта эксперта,
основанного
на знании, в
такой форме,
что машина
может дать
интеллектуальный
совет или принять
интеллектуальное
решение относительно
обрабатываемой
функции». Желательная
дополнительная
характеристика
(которую многие
считают главной)
- способность
системы по
требованию
объяснить ход
своих рассуждений
понятным для
спрашивающего
образом [2].

Предметом
теории экспертных
систем служат
методы и приемы
конструирования
систем, компетентных
в некоторой
узкоспециальной
области. Эта
компетентность
состоит из
знания конкретной
области, понимания
задач из этой
области и из
умения решать
некоторые такие
задачи. Знания,
относящиеся
к любой специальности,
обычно существуют
в двух видах:
общедоступные
и индивидуальные.
Общедоступные
знания - это
факты, определения
и теории, которые
обычно изложены
в учебниках
и справочниках
по данной области.
Но, как правило,
компетентность
означает нечто
большее, чем
владение такими
общедоступными
сведениями.
Специалисты
в большинстве
случаев обладают
ещё и индивидуальными
знаниями, которые
отсутствуют
в опубликованной
литературе.
Эти личные
знания в значительной
степени состоят
из эмпирических
правил - эвристик,
которые позволяют
экспертам при
необходимости
выдвигать
разумные
предположения,
находить
перспективные
подходы к задачам
и эффективно
работать при
зашумленных
или неполных
данных. Центральной
задачей при
построении
экспертных
систем является
выявление и
воспроизведение
таких знаний.

В архитектуре
экспертной
системы можно
выделить три
основных компонента:
база знаний,
машина вывода
и интерфейс
пользователя.

База
знаний содержит
факты, правила
и эвристики,
представляющие
экспертные
знания о предметной
области.

Машина
вывода содержит
стратегии и
управляющие
структуры,
используемые
для применения
знаний, содержащихся
в базе знаний
для решения
поставленной
проблемы.

Пользовательский
интерфейс
управляет
взаимодействием
с пользователем.
Сюда входят
и управление
экраном, и
организация
диалога, и
объяснительные
способности
системы.

Одной из
типичных задач
экспертной
системы является
задача диагностики
[3].

Диагностика
- это процесс
поиска неисправностей
в обследуемой
системе (или
определение
стадии заболевания
в живой системе),
основанный
на интерпрета­ции
данных, возможно
зашумленных.
Нахождение
согласованных
и корректных
интер­претаций
является основным
требованием
в этой задаче.
Одно из необходимых
усло­вий достижения
результата
- понимание
диагностом
структурной
организации
обсле­дуемой
области и механизмов
взаимодействия
между различными
подсистемами.

В задачах
диагностики
необходимо
предположительное
рассуждение.
Во многих
диагностиче­ских
процедурах
с успехом
используются
предположения
относительно
степени надежности
датчиков, т.е.
степени надежности
вводимой информации.
Так же, в задаче
диагностики
можно столкнуться
с ситуацией,
которая изменяется
во времени по
мере того, как
происходит
развитие болезни
(или в связи с
предпринимаемым
лечением). И
наконец данные,
поступающие
от датчиков,
часто оказываются
зашумленными.
Это существенный
момент в задаче
диагностики,
где рассуждения
проводятся
на основании
результатов
измерений.

К примеру,
задача медицинской
диагностики
заключается
в обнаружении
заболеваний
на основе
интерпретации
данных о текущем
состоянии
больного, которые
получаются
в результате
анализа жалоб
пациента, его
объективного
осмотра, результатов
лабораторных
обследований
и анализов.

Среди задач
диагностики
наиболее сложными
являются задачи
дифференциальной
диагностики.
Их сложность
определяется
тем, что среди
множества
заболеваний,
имеющих общие
признаки, надо
выбрать наиболее
вероятные.

Для решения
такого типа
задач должна
эффективно
использоваться
разрабатываемая
оболочка.

Приобретение
знаний - это
процесс передачи
и преобразования
опыта по решению
задач от некоторого
источника
знаний в программу.

Процесс
создания
диагностической
экспертной
системы можно
разделить на
следующие
этапы:

Настройка
оболочки на
конкретную
проблемную
область, т.е.
инженер знаний
совместно с
экспертом
описывает
основные термины,
понятия; формирует
иерархию понятий
(типа 
общее - частное
); определяет
структуру
основных фреймов,
области значения
слотов, наследование
свойств.

Наполнение
оболочки предметными
экспертными
знаниями. Эксперт
пополняет
иерархию понятий
конкретными
фреймами;
устанавливает
взаимосвязи
между ними;
заполняет
слоты фреймов.

В нашем случае
эксперт взаимодействует
с экспертной
системой
непосредственно
через интеллектуальную
редактируемую
программу. Т.е.
вся работа
инженера знаний
на этих этапах
уже должна быть
заложена в
программу.

Машиной вывода
можно назвать
набор средств,
реализующих
тот или иной
способ рассуждения,
технологию
поиска по базе
знаний, обработку
неопределенности
и обработку
ошибок.

Методы
рассуждений.

Самые распространенные
методы логического
вывода - это
прямая цепочка
рассуждений
(прямой вывод)
и обратная
цепочка рассуждений
(обратный вывод).

При решении
задач диагностики
используется
обратный вывод.
Можно сказать,
что обратный
вывод белее
эффективен,
когда пользователь
должен выбирать
из набора возможных
последствий
как в случае
медицинской
или технической
диагностики.

В разрабатываемой
оболочке реализуется
механизм смешанного
вывода, который
позволяет и
прямой вывод
от фактов к
заключениям,
и обратный -
чтобы подтвердить
или опровергнуть
гипотезу.

Управление
достоверностью.

Одной из
важных особенностей
экспертной
системы является
её способность
работать с
неполной, неточной,
недоопределенной
информацией.

Неточность
в ЭС может возникать
следующим
образом:

Ненадежный
источник информации

Несогласованность
экспертов

Противоречивая
информация.

Фактор уверенности
предоставляет
пользователю
возможность
указать степень
уверенности
в достоверности
вводимой им
информации.
Так же фактор
уверенности
демонстрирует
степень уверенности
системы в
достоверности
сделанных ею
логических
заключений.

Нечеткие
рассуждения
подходят для
решения проблем,
в которых
используются
такие неопределенные
характеристики,
как примерно,
возможно,
близко
к. Нечеткая
переменная
может одновременно
иметь более
одного значения,
каждое со своим
коэффициентом
уверенности.

Важным свойством
для экспертной
системы является
способность
устанавливать
порог уверенности.
Машина вывода
может работать
таким образом,
что будет
рассматривать
только те факты
и гипотезы,
которые имеют
фактор достоверности
выше установленного
пользователем.
Пользователь
может ускорить
процесс вывода,
установив
высокий порог
достоверности
и тем самым
дать указание
Машине вывода
рассматривать
только факты
и гипотезы с
высокой степенью
достоверности.

Так же, следует
обратить внимание
на ситуацию,
когда пользователь
в ответ на вопрос
отвечает
неизвестно.

Основной
принцип, который
реализуется
в оболочке,
состоит в том,
что все проблемные
знания описываются
экспертом в
объектно-ориентированном
стиле, а продукционное
представление
знаний, используемое
на более низком
уровне, генерируются
автоматически
и скрыто от
эксперта.

Эти идеи и
ложатся в основу
технологических
решений при
конструировании
оболочки.

Характерными
особенностями
знаний о сложных
фрагментах
действительности
являются их
неполнота,
неоднозначность,
отсутствие
точности –
свойства, которые
существенно
затрудняют
(а иногда и делают
невозможным)
поиск адекватного
решения задачи
[4]. Любую модель
надо строить
с учетом принципиальной
неполноты и
принципиальной
возможности
ошибок и противоречий
в написании
задачи. Эти и
другие так
называемые
НЕ-факторы
отражают то
обстоятельство,
что в реальном
мире существуют
в основном
объекты, которым
присущи все
эти свойства
или хотя бы
одно из них.

К настоящему
времени наибольшее
развитие получил
НЕ-фактор, который
известен, как
недоопределенность
конкретных
знаний. Недоопределенность
связана с неполнотой
доступной в
данный момент
информации
о моделируемом
фрагменте
реальности.
Эта неполнота
касается в
первую очередь
значений величин
объектов (например,
около двух
часов – о времени),
но может присутствовать
и в случае неполноты
информации
о типах объектов
(то ли окружность,
то ли эллипс)
и о существующих
отношениях
между объектами
(то ли раньше,
то ли позже).

Мы назовем
значение переменной
неопределенным,
если о нем известно
лишь то, что
оно равно одному
из элементов
множества
потенциальных
значений. Значение
считается
определенным,
если однозначно
известен тот
элемент множества
потенциальных
значений, которому
оно равно.

Типичным
состоянием
изучаемого
объекта целесообразно
считать недоопределенность:
бесспорный
факт принадлежности
его значения
какому-то
нетривиальному
подмножеству
области определения.
При этом потенциальное
совпадение
с тем или иным
элементом этого
множества
считается
равновероятным.

Рассмотрим
модель, которую
будем называть
обобщенной
вычислительной
моделью (ОВМ):
M = (X,W,C,R),

Где
множества X
и R имеют
такую же семантику,
как и в обычных
вычислительных
моделях, W
– множество
функций присваивания,
а C – множество
функций проверки
корректности.
Функция присваивания
определяет
способ записи
очередного
значения в
объект xX,
а функция проверки
корректности
осуществляет
контроль за
правильностью
вычисленных
значений объекта
x.

Пусть x
– переменная
с областью
определения
X. Обозначим
через *X
множество всех
подмножеств
X, без пустого.
Элемент d*X,
который содержит
только одно
значение из
X, называется
определенным.
Все остальные
элементы называются
недоопределенными.
Значение *x,
соответствующее
всему множеству
X, будем называть
полной неопределенностью.

ОВМ,
в которой хотя
бы один объект
представлен
недоопределенным
типом данных,
называется
недоопределенной
моделью
(н-моделью) [5].
Рассмотрим
систему из двух
линейных уравнений
с двумя целочисленными
переменными:

x
+ y = 12

2*x = y

Для
предоставления
целых констант
данной системы
(2 и 12) естественно
воспользоваться
предопределенным
типом integer. Если
переменным
x и y также
сопоставить
тип integer, то
получим традиционную
модель. Найти
решение в данном
случае можно,
только применяя
любой из методов
решения систем
линейных уравнений.
Если же для
представления
переменных
x и y воспользоваться
недоопределенным
типом (например,
nint), то система
уравнений
становится
н-моделью. Далее
покажем внутреннее
представление
такой н-модели
и алгоритм ее
решения.

Множество
Х содержит все
объекты данной
н-модели:

Х
= {x,y:nint; 12,2:integer}.

Так
как множество
Х содержит две
переменные
и две неизменяющиеся
константы,
множество
функций присваивания
(W) и множество
функций порверки
корректности
(С) содержат по
два элемента:

W
= { PRint(x), PRint(y) } PRint
– имя функции
присваивания.

C
= { PRDint(x)< PRDint(y) } PRDint
– имя функции
проверки
корректности.

Множество
отношений (R)
для данной
системы уравнений
содержит два
отношения (plus
и umn),
связывающие
между собой
переменные
типов nint и
integer (здесь
мы игнорируем
дополнительные
переменные,
которые, возможно,
появились бы
в результате
компиляции
исходных уравнений):

R
= { plus(12,x,y); umn(y,2,x) }.

Множество
функций интерпретации
отношений из
R можно
представить
следующим
образом (в
комментариях
приведены
описания функций
в обычной записи):

Plus:
minus 3 #y, 12, *x; (*y:=12-x*) (1)

minus 3 #x, 12, *y; (*x:=12-y*) (2)

umn:
umn 3 #y, x, 2; (*y:=x*2* ) (3)

del
3 #x, y, 2; (*x:=y/2* ) (4)

Напомним,
что арифметические
операции реализованы
в соответствии
с правилами
интервальной
математики.

Технология
недоопределенных
вычислительных
моделей позволяет
обрабатывать
неточные значения.

В задачу
данной дипломной
работы входит
разработка
машины вывода
диагностической
экспертной
системы. Особенностью
разрабатываемой
машины вывода
является ее
способность
работать с
неточными и
нечеткими
входными данными.
При этом машина
вывода будет
использовать
экспертные
знания, также
допускающие
элементы нечеткости
и неточности.

Необходимо
было разработать
систему медицинской
диагностики,
которая позволяла
бы на основе
неполных данных
ставить диагноз
с некоторой
точностью, и
выдавать, насколько
точно она определила
болезнь.

Входными
данными моей
части программы
являются:

Ответы
пользователя
на вопросы
системы.

База
данных с описаниями
симптомов

База
данных с описанием
болезней

Таблица
соответствий
между болезнями
и симптомами

Таблица
«весов» (вероятностей)
симптомов для
болезней

База
данных с данными
о пациентах.

Иначе
говоря, входные
данные можно
разбить на два
больших блока:

Данные,
поступающие
из пользовательского
интерфейса
(см. введение)

Сюда также
входит и база
данных о пациентах
(их «больничные
карточки»)

Содержимое
базы знаний,
заполненной
экспертом.
База знаний
хранится на
жестком диске
в виде четырех
файлов; ее структура
описана подробно
в разделе 4.

Выходными
данными программы
является диагноз,
построенный
на основе наблюдаемых
симптомов и
базы знаний
о болезнях.
Этот диагноз
выдается на
экран в качестве
окончательного
ответа экспертной
системы пользователю.
Кроме того,
информация
об обнаруженной
болезни и наблюдаемых
симптомах
заносится в
карточку пациента.

В процессе
работы система
генерирует
несколько
рабочих версий
окончательного
диагноза, и в
конце происходит
«отсеивание»
лишних гипотез,
которые имеют
вес, меньший,
чем некоторое
значение, заранее
заданное системным
программистом.

Например,
в процессе
работы сформировалось
5 версий с вероятностями
от 67 до 98 %. Порог
уверенности,
заданный системным
программистом
– 75%. Тогда система
выдаст все
версии, вероятности
которых больше
75%. Например, их
3.

Болезнь 1 –
94%

Болезнь 2 –
93%

Болезнь 3 –
87%

Болезнь 4 –
51%

Болезнь 5 –
67%

Система
«отсеет» остальные
болезни, кроме
этих трех, и
выдаст эти три
в порядке убывания
их вероятностей:

У вас, скорее
всего, Болезнь
1. Вероятность
– 94%

Вероятность
Болезни 2 – 93%

Вероятность
Болезни 3 – 87%

Также
следует упомянуть,
что система
ведет регистрацию
больных, их
болезней, и
ведет статистику
заболеваний:

Какая
болезнь встречается
чаще вообще,

Какая
болезнь встречается
чаще всего,
например, в
летний период,

В
каком возрасте
люди чаще обращаются
к врачу,

Люди
какого пола
чаще обращаются
к врачу,

И
тому подобное.

Операционная
система Windows 95/98, NT

BDE
(Borland Database Engine)

Компьютер
IBM PC, или совместимые
486 и выше

Манипулятор
«Мышь»

Свободное
дисковое
пространство
не менее 3 Мб.

SVGA
Монитор

Для установки
Borland DBE и правильной
калибровки
программного
средства желательно
присутствие
системного
программиста.

Для заполнения
базы знаний
необходимо
присутствие
эксперта,
осуществляющего
интеллектуальное